戴建國，蔣 楠，薛金利，張國順，何相良

（1. 石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院，石河子 832003；2. 兵團(tuán)空間信息工程技術(shù)研究中心，石河子 832003）

0 引 言

棉花產(chǎn)量是影響區(qū)域經(jīng)濟(jì)發(fā)展的重要因素，在國民經(jīng)濟(jì)中占有重要地位。及時(shí)、動(dòng)態(tài)、準(zhǔn)確的產(chǎn)量預(yù)測(cè)，在棉田經(jīng)營管理、農(nóng)業(yè)決策制定等方面具有極其重要的價(jià)值和意義[1-2]。目前，傳統(tǒng)衛(wèi)星遙感技術(shù)主要應(yīng)用于大尺度地表信息采集，在宏觀決策方面具有獨(dú)特優(yōu)勢(shì)[3]；但其受空間分辨率、衛(wèi)星運(yùn)行周期、氣象條件等因素影響，在農(nóng)田尺度農(nóng)情監(jiān)測(cè)的實(shí)際作業(yè)管理中難以滿足實(shí)時(shí)性、高精度等需求。無人機(jī)遙感平臺(tái)作為一種新興的遙感信息獲取手段，具有高時(shí)效、高分辨率、作業(yè)成本低、靈活性高和復(fù)用性強(qiáng)等優(yōu)點(diǎn)[4-5]，可實(shí)時(shí)獲取農(nóng)田尺度的遙感影像，有效地協(xié)助管理人員進(jìn)行作業(yè)管理與調(diào)控。

目前，國內(nèi)外相關(guān)學(xué)者已經(jīng)開展了一些無人機(jī)遙感估產(chǎn)研究，且現(xiàn)有方法中多采用線性回歸、經(jīng)驗(yàn)?zāi)Ｐ偷葌鹘y(tǒng)算法[6-8]。如張美娜等[9]從圖像中提取了顏色特征、植被覆蓋率和植被指數(shù)3個(gè)特征與棉花產(chǎn)量分別建立回歸模型，結(jié)果表明，由多個(gè)變量建立的模型效果最佳，平均絕對(duì)百分比誤差為4%，然而模型所用特征比較依賴人工設(shè)計(jì)與提取，泛化能力較差，難以拓展應(yīng)用。朱婉雪等[8]基于冬小麥不同生育期影像數(shù)據(jù)以及植被指數(shù)，構(gòu)建了多個(gè)估產(chǎn)模型，最終確定最佳估產(chǎn)時(shí)期和植被指數(shù)為抽穗灌漿期和增強(qiáng)型植被指數(shù)（Enhanced Vegetation Index，EVI），決定系數(shù)達(dá)到0.70，但作物產(chǎn)量是一個(gè)有機(jī)物不斷積累的結(jié)果，單生育期產(chǎn)量預(yù)測(cè)忽略了作物在時(shí)間維度的隱藏特征。韓文霆等[10]將各生育期植被指數(shù)進(jìn)行牛頓-梯形積分，再基于其積分值構(gòu)建了夏玉米產(chǎn)量估算模型，決定系數(shù)為0.87，然而模型所用特征相對(duì)比較單一，在復(fù)雜背景下可靠性較低。

近年來，深度學(xué)習(xí)方法憑借其自動(dòng)學(xué)習(xí)并提取特征的能力，在機(jī)器視覺、自然語言處理等[11-13]領(lǐng)域取得了巨大突破，在遙感影像處理方面也得到廣泛應(yīng)用[14-15]。在時(shí)間特征提取方面，雙向長短期記憶（Bidirectional Long Short Term Memory，BiLSTM）網(wǎng)絡(luò)[16]通過雙向重疊計(jì)算，彌補(bǔ)了長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)[17]無法同時(shí)提取從后向前的信息的不足，可以更好的捕捉雙向的時(shí)序特征，在時(shí)序數(shù)據(jù)分析中取得了更為顯著的效果[18-20]。但BiLSTM網(wǎng)絡(luò)在表達(dá)數(shù)據(jù)的空間維度特征方面適用性較差，難以充分挖掘數(shù)據(jù)的空間特性。為此，本研究提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和BiLSTM網(wǎng)絡(luò)串行結(jié)構(gòu)的棉花估產(chǎn)模型，以棉花苗期、蕾期和花期的影像為輸入，將CNN網(wǎng)絡(luò)在空間特征提取的優(yōu)勢(shì)與LSTM網(wǎng)絡(luò)在時(shí)序特征提取的優(yōu)勢(shì)相結(jié)合，充分利用其空間和時(shí)間兩個(gè)方面的聯(lián)系，增強(qiáng)模型的數(shù)據(jù)挖掘能力，以實(shí)現(xiàn)農(nóng)田尺度的棉花產(chǎn)量預(yù)測(cè)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于新疆塔城地區(qū)沙灣縣蘑菇湖村（85°52′02″E～85°52′31″E， 44°20′14″N～44°20′25″N），如圖1所示，地處古爾班通古特大沙漠南緣，屬于典型溫帶大陸性氣候，冬季長而嚴(yán)寒，夏季短而炎熱，一年中降水較多的月份主要出現(xiàn)在4—7月，年均降水量125.0～207.7 mm[21]，非常適宜棉花生長。研究區(qū)為沙性土壤，棉花種植品種為天云0769號(hào)，采用機(jī)采棉播種方式（1膜6行、每米15穴、1穴1粒），并于2019年4月20日滴出苗水。根據(jù)五點(diǎn)采樣法要求在研究區(qū)劃分5個(gè)采樣區(qū)域，每個(gè)區(qū)域設(shè)置5個(gè)樣方，共25個(gè)樣方，樣方大小為2.3 m×2.3 m。待棉花成熟后，人工獲取每個(gè)樣方的產(chǎn)量數(shù)據(jù)。

1.2 試驗(yàn)數(shù)據(jù)采集

1.2.1 無人機(jī)遙感影像獲取與預(yù)處理

研究區(qū)范圍如圖1所示，該區(qū)域大?。ㄩL×寬）為46 m×40 m，共占20個(gè)地膜。于2019年6月5日、6月29日、7月12日通過無人機(jī)平臺(tái)分別采集棉花苗期、現(xiàn)蕾期、開花期的遙感影像。無人機(jī)（悟1 Pro，大疆創(chuàng)新科技有限公司，中國）最大起飛質(zhì)量3.5 kg，最大水平飛行速度18 m/s，軸距559 mm，起重限額3.5 kg，最大飛行時(shí)間15 min?？梢姽庀鄼C(jī)（禪思X5，大疆創(chuàng)新科技有限公司，中國）有效分辨率為1 600萬像素，支持自動(dòng)對(duì)焦、曝光鎖定等功能。影像采集時(shí)間為12:00，相機(jī)焦距15 mm，鏡頭垂直于主航線，飛行航線任務(wù)高度40 m，速度4 m/s，航向重疊率70%，旁向重疊率70%，地面分辨率1 cm，拍攝模式為懸停拍照。采用Pix4D mapper 攝影測(cè)量軟件對(duì)無人機(jī)遙感影像進(jìn)行拼接。首先導(dǎo)入原始圖像數(shù)據(jù)，讀取全球定位系統(tǒng)（Global Positioning System，GPS）信息和無人機(jī)姿態(tài)數(shù)據(jù)，設(shè)定相機(jī)飛行時(shí)的配置信息，將拼接校準(zhǔn)特征點(diǎn)數(shù)量設(shè)置為10 000，輸出影像類型設(shè)置為三維地圖，經(jīng)自動(dòng)化處理輸出數(shù)字正射影像。為進(jìn)行后續(xù)深度學(xué)習(xí)數(shù)據(jù)集制作，需對(duì)拼接完成的正射影像進(jìn)行裁剪，以去除非研究區(qū)影像以及邊緣異常值。影像裁剪軟件為ArcGIS map 10.6，裁剪流程分為3個(gè)步驟，1）根據(jù)地面控制點(diǎn)確定研究區(qū)范圍，劃分研究區(qū)掩模；2）采用提取工具進(jìn)行掩模裁剪，生成研究區(qū)柵格數(shù)據(jù)；3）將柵格數(shù)據(jù)轉(zhuǎn)換矢量數(shù)據(jù)，輸出研究區(qū)遙感影像。

1.2.2 數(shù)據(jù)集制作

根據(jù)地面采樣點(diǎn)對(duì)無人機(jī)遙感影像進(jìn)行切片分割，獲取棉花苗期、蕾期和花期共225張遙感影像樣本。為擴(kuò)大數(shù)據(jù)集增強(qiáng)模型學(xué)習(xí)能力，再對(duì)影像樣本分別添加如下變化：1）旋轉(zhuǎn)與對(duì)稱。將原始圖像分別進(jìn)行90°、180°、270°旋轉(zhuǎn)以及水平和垂直翻轉(zhuǎn)；2）對(duì)比度與亮度。將紅綠藍(lán)（Red Green Bule，RGB）顏色空間轉(zhuǎn)換為色調(diào)飽和度亮度（Hue Saturation Value，HSV）顏色空間，調(diào)整亮度、對(duì)比度、色度和飽和度，模擬光照以及氣候的變化；3）噪聲與模糊?？紤]棉田復(fù)雜環(huán)境，對(duì)圖像添加適當(dāng)噪聲。通過以上擴(kuò)展，共得到2 700條樣本數(shù)據(jù)，其調(diào)整效果如圖2所示。將數(shù)據(jù)集按照7:2:1劃分為訓(xùn)練集（1 890張）、驗(yàn)證集（540張）、測(cè)試集（270張）。

1.3 研究方法

1.3.1 卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶（CNN-BiLSTM）模型構(gòu)建

本研究提出的CNN-BiLSTM模型結(jié)構(gòu)主要由CNN模塊、BiLSTM模塊和輸出模塊3部分（圖3）。其中CNN模塊包含3個(gè)獨(dú)立分支的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，且3個(gè)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)相同，分別進(jìn)行3個(gè)棉花生育期的影像空間特征提取，以避免不同生育期影像混合，從而確保輸入數(shù)據(jù)時(shí)序信息的完整性。CNN結(jié)構(gòu)的第一部分是卷積層，進(jìn)行卷積運(yùn)算提取局部空間特征。本研究通過堆疊卷積層數(shù)量改變CNN結(jié)構(gòu)的深度，進(jìn)而調(diào)整空間特征的提取程度。卷積層中，卷積核大小為3×3，數(shù)量為16，卷積步長為1，邊緣填充方式為SAME，激活函數(shù)為ReLU。CNN結(jié)構(gòu)第二部分是池化層，進(jìn)行特征降維，剔除冗余特征，提高CNN結(jié)構(gòu)的容錯(cuò)性。池化層中，采樣模式為最大池化，卷積核大小為2×2，數(shù)量為16，卷積步長為2?？臻g特征提取完成后將3個(gè)CNN模塊得到的特征向量輸入到BiLSTM網(wǎng)絡(luò)中。

BiLSTM網(wǎng)絡(luò)的主體隱藏層結(jié)構(gòu)是在LSTM網(wǎng)絡(luò)的基礎(chǔ)上由正向輸入運(yùn)算的LSTM網(wǎng)絡(luò)和反向輸入運(yùn)算的LSTM網(wǎng)絡(luò)上下疊加構(gòu)成，在保留了LSTM單元結(jié)構(gòu)特點(diǎn)的同時(shí)，更加關(guān)注時(shí)序數(shù)據(jù)的前后關(guān)聯(lián)性，確保時(shí)序特征的提取。同樣，通過不斷調(diào)整BiLSTM隱藏層數(shù)量以探索最佳的時(shí)序特征提取模式。隱藏層包括3個(gè)輸出節(jié)點(diǎn)，對(duì)應(yīng)棉花苗期、蕾期和花期3個(gè)生育期的特征輸出。CNN-BiLSTM模型的輸出模塊由全連接神經(jīng)網(wǎng)絡(luò)組成，網(wǎng)絡(luò)輸入向量包含CNN提取的空間特征和BiLSTM網(wǎng)絡(luò)提取的時(shí)序特征，其隱藏層數(shù)量為1，神經(jīng)元個(gè)數(shù)為500，激活函數(shù)為ReLU，最終輸出為估產(chǎn)結(jié)果。

1.3.2 評(píng)價(jià)指標(biāo)

將模型估算結(jié)果與地面采集數(shù)據(jù)進(jìn)行線性回歸分析，使用決定系數(shù)（coefficient of determination，R2）、均方根誤差（Root Mean Square Error，RMSE）、平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE，%）作為評(píng)價(jià)指標(biāo)[9,22]，定量評(píng)價(jià)模型的準(zhǔn)確率。其中，MAPE的計(jì)算數(shù)學(xué)表達(dá)式如式（1）所示：

式中n為樣本總數(shù)量，i表示樣本集中第i個(gè)樣本，yi為真實(shí)值，y?i為預(yù)測(cè)值。

1.3.3 訓(xùn)練環(huán)境與要求

試驗(yàn)運(yùn)算環(huán)境如下：操作系統(tǒng)為Windows 10，處理器為Intel（R）Core i7 7800X CPU＠3.5GHz，運(yùn)行內(nèi)存32 GB，顯卡為NVIDIA GeForce GTX1080Ti，22 GB顯存，程序編寫語言為Python3，開發(fā)框架為TensorFlow 1.9。模型優(yōu)化采用自適應(yīng)梯度下降算法，以均方誤差作為模型損失函數(shù)，學(xué)習(xí)率設(shè)為0.001，最大迭代次數(shù)為 15 000，模型穩(wěn)定后停止迭代。為防止模型過擬合，每迭代10次進(jìn)行1次驗(yàn)證。

2 結(jié)果與分析

2.1 雙向長短期記憶（BiLSTM）網(wǎng)絡(luò)性能驗(yàn)證與分析

為比較BiLSTM與LSTM在棉花估產(chǎn)方面的性能差異，本研究先將二者進(jìn)行對(duì)比分析。方法是在數(shù)據(jù)集完全相同的情況下，通過調(diào)整隱藏層數(shù)量改變網(wǎng)絡(luò)深度，然后對(duì)預(yù)測(cè)結(jié)果進(jìn)行比較。在試驗(yàn)中分別設(shè)置了隱藏層數(shù)為1、2、4的LSTM模型和BiLSTM模型，其對(duì)應(yīng)名稱為LSTM1、LSTM2、LSTM4和BiLSTM1、BiLSTM2、BiLSTM4。為保證時(shí)序信息完整性，將棉花苗期、蕾期和花期的圖像通過維度重塑轉(zhuǎn)換為時(shí)間窗長度為3的輸入張量。

LSTM模型和BiLSTM模型的性能對(duì)比如表1所示。由表1可知，2種模型的預(yù)測(cè)結(jié)果決定系數(shù)都在0.8以上。在LSTM模型中LSTM2最優(yōu)，R2為0.844，RMSE為163.322 g，MAPE為7.482%。在BiLSTM模型中，BiLSTM1的預(yù)測(cè)效果最好，其R2為0.851，RMSE為161.911 g，MAPE為7.304%。以上數(shù)據(jù)還表明，對(duì)于LSTM和BiLSTM模型，網(wǎng)絡(luò)深度分別在2和1的情況下，隨著隱藏層數(shù)量的增加，模型的性能均不斷降低，說明增加網(wǎng)絡(luò)深度并不能提高模型的準(zhǔn)確率。

表1 長短期記憶模型和雙向長短期記憶模型的預(yù)測(cè)結(jié)果Table 1 Prediction results of Long Short-Term Memory (LSTM)model and Bidirectional Long Short-Term Memory (BiLSTM)model

綜合分析表1的數(shù)據(jù)還可以發(fā)現(xiàn)，BiLSTM1模型的性能在以上6個(gè)模型中最佳，LSTM2模型預(yù)測(cè)效果次之，LSTM1、LSTM4、BiLSTM2和BiLSTM4模型預(yù)測(cè)精度依次下降。通過分析LSTM網(wǎng)絡(luò)與BiLSTM網(wǎng)絡(luò)的結(jié)構(gòu)可以得出，由于BiLSTM網(wǎng)絡(luò)是由正向傳輸?shù)腖STM網(wǎng)絡(luò)與反向傳輸?shù)腖STM網(wǎng)絡(luò)上下疊加構(gòu)成，1個(gè)隱藏層的BiLSTM模型在網(wǎng)絡(luò)深度上與隱藏層數(shù)量為2的LSTM模型相同，并且BiLSTM網(wǎng)絡(luò)提取的時(shí)序特征包含時(shí)序數(shù)據(jù)的前后信息，因此優(yōu)于LSTM網(wǎng)絡(luò)的單向特征提取。同時(shí)，由于棉花的生長是有機(jī)物積累的過程，各生育期間生長信息相互關(guān)聯(lián)，無論是從苗期到花期還是從花期到苗期均存在時(shí)序特性方面的聯(lián)系。因此，雙向運(yùn)算的BiLSTM網(wǎng)絡(luò)提取的時(shí)序特征更加豐富、完整，模型性能更優(yōu)。基于以上試驗(yàn)結(jié)果，本研究將接下來要構(gòu)建的CNN-BiLSTM模型中BiLSTM網(wǎng)絡(luò)隱藏層數(shù)量固定為1。

2.2 卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶（CNN-BiLSTM）模型結(jié)果分析

由于CNN網(wǎng)絡(luò)卷積層數(shù)對(duì)特征提取具有很大影響，因此本研究同樣設(shè)定了不同卷積層數(shù)量的CNN結(jié)構(gòu)。以CNNm-BiLSTM表示m個(gè)卷積層的CNN-BiLSTM模型，本研究設(shè)計(jì)了卷積層數(shù)量為1、10、14、16、18和20共6種CNN-BiLSTM模型進(jìn)行訓(xùn)練。模型訓(xùn)練過程中損失曲線如圖4所示，其中圖4a與圖4b相同分別為整體損失曲線和最后200次迭代的損失曲線。由圖4a可知，隨著迭代次數(shù)增加，模型的損失值均不斷減少，且在迭代1 200次左右所有模型都達(dá)到收斂。由圖4b可知，隨著網(wǎng)絡(luò)深度的增加，模型收斂的能力不斷提高，損失值分布在20 000～70 000范圍左右，除CNN1-BiLSTM模型波動(dòng)幅度較大外，其他5個(gè)模型的波動(dòng)幅度較小，其中CNN14-BiLSTM模型的損失值小，且波動(dòng)幅度較小。

將訓(xùn)練完成的CNN-BiLSTM模型應(yīng)用于測(cè)試集進(jìn)行測(cè)試，預(yù)測(cè)產(chǎn)量與實(shí)測(cè)產(chǎn)量的線性回歸分析如圖5所示。由圖5可知，CNN-BiLSTM模型的估算結(jié)果與地面實(shí)測(cè)產(chǎn)量間具有較好的線性關(guān)系。對(duì)比6個(gè)模型的網(wǎng)絡(luò)結(jié)構(gòu)和各項(xiàng)指標(biāo)可知，CNN1-BiLSTM模型效果最差，其決定系數(shù)R2為0.812，RMSE為207.350 g，MAPE為7.980%，這說明當(dāng)CNN網(wǎng)絡(luò)的卷積層較少時(shí)，其提取的淺層特征無助于模型精度的提升，甚至?xí)斐筛蓴_。但隨著卷積層數(shù)量的增加，預(yù)測(cè)精度逐漸提高，當(dāng)卷積層增加到10層時(shí)，CNN10-BiLSTM模型的R2達(dá)到0.857，MAPE降低至7.256%。到卷積層數(shù)量為14時(shí)，性能指標(biāo)到達(dá)頂峰，其R2為0.885，RMSE為147.167 g，MAPE為6.711%。但當(dāng)卷積層數(shù)量超過14時(shí)，CNN卷積層數(shù)的增加對(duì)模型性能提升不但沒有幫助，反而出現(xiàn)下降趨勢(shì)，如CNN20-BiLSTM模型的R2為0.870，RMSE為155.583 g，MAPE為7.067%。

3 討 論

綜合將LSTM、BiLSTM和CNN-BiLSTM模型性能指標(biāo)進(jìn)行對(duì)比分析發(fā)現(xiàn)，當(dāng)CNN卷積層數(shù)在10以上時(shí)，CNN-BiLSTM模型的性能指標(biāo)明顯優(yōu)于LSTM模型和BiLSTM模型。由此可知，使用CNN提取空間特征后的確可以有效改善BiLSTM網(wǎng)絡(luò)的性能，進(jìn)而提高棉花估產(chǎn)精度。

由圖5可知，對(duì)于棉花產(chǎn)量高于 3 200 g的采樣點(diǎn)，CNN-BiLSTM模型預(yù)測(cè)效果均優(yōu)于產(chǎn)量低于3 200 g的采樣點(diǎn)，尤其是3 400 g以上樣本，其預(yù)測(cè)結(jié)果波動(dòng)幅度小，聚攏于擬合曲線附近，與 3 200 g以下的樣本相比預(yù)測(cè)效果明顯更好。為分析原因，將不同產(chǎn)量的花期影像進(jìn)行對(duì)比可知（圖6），產(chǎn)量較低的樣方長勢(shì)不勻，棉花冠層沒有達(dá)到完全封壟，圖像中仍存在部分裸土區(qū)域，導(dǎo)致低產(chǎn)區(qū)影像比高產(chǎn)區(qū)影像更加復(fù)雜，噪聲更多。同時(shí)，在本研究所選的3個(gè)生育期中，花期作為最接近成熟期的生育期，在估產(chǎn)模型訓(xùn)練中占有更加重要的地位，所以不同產(chǎn)量水平反映在遙感影像上的不同可能導(dǎo)致模型預(yù)測(cè)結(jié)果出現(xiàn)較大差異。因此，本研究將在后續(xù)試驗(yàn)中嘗試在CNN卷積層中使用多個(gè)不同大小的卷積核進(jìn)行特征提取，以使模型能夠提取不同感受野下的影像特征，提高特征提取的豐富性，降低圖像背景的影響，提升在產(chǎn)量較低水平下的預(yù)測(cè)精度。

此外，與Sumesh等[23]使用株高等生長參數(shù)為特征建立的估產(chǎn)模型相比，CNN-BiLSTM模型通過采用CNN模塊實(shí)現(xiàn)了抽象隱藏特征的自動(dòng)提??；與Zhou等[24-25]單獨(dú)使用CNN進(jìn)行估產(chǎn)相比，CNN-BiLSTM模型提取了影像數(shù)據(jù)的時(shí)序特征。但與張美娜等[9,26]的研究結(jié)果相比，CNN-BiLSTM模型的預(yù)測(cè)精度仍有一定提升空間，分析原因主要包括以下兩方面：1）現(xiàn)有模型賦予各生育期影像相同的權(quán)重，忽視了不同生育期棉花長勢(shì)對(duì)棉花產(chǎn)量具有不同程度的影響；2）模型結(jié)構(gòu)方面，CNN-BiLSTM模型是依據(jù)串行結(jié)構(gòu)組成，CNN提取的空間特征沒有直接應(yīng)用于產(chǎn)量預(yù)測(cè)，實(shí)際作用受到限制。針對(duì)以上問題，在后續(xù)試驗(yàn)中可以進(jìn)行如下兩方面的改進(jìn)；1）在模型中引入注意力（Attention）機(jī)制，給各生育期影像分配不同注意力，調(diào)整模型對(duì)棉花不同生育期影像的關(guān)注度，以提高估產(chǎn)精度；2）以并行結(jié)構(gòu)混合CNN和BiLSTM網(wǎng)絡(luò)，使其各自獨(dú)立的提取空間特征和時(shí)序特征，提高空間特征的使用率，從而提升估產(chǎn)精度。

4 結(jié) 論

本研究基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和雙向長短期記憶（Bidirectional Long Short-Term Memory，BiLSTM）網(wǎng)絡(luò)構(gòu)建CNN-BiLSTM混合模型，使用棉花苗期、蕾期和花期的無人機(jī)可見光遙感影像進(jìn)行棉花產(chǎn)量預(yù)測(cè)。研究結(jié)果表明，通過將空間特征和時(shí)序特征兩者結(jié)合，可以更深入地挖掘棉花不同關(guān)鍵生育期長勢(shì)情況及其關(guān)聯(lián)關(guān)系，從棉花產(chǎn)量形成過程的角度來看，該方法可靠性良好。主要結(jié)論如下：

1）長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）的確能夠有效提取數(shù)據(jù)的時(shí)序特征，而BiLSTM效果更好，其中網(wǎng)絡(luò)深度為1的BiLSTM模型在棉花估產(chǎn)方面性能最優(yōu)。

2）在提取時(shí)序特征之前增加CNN提取影像數(shù)據(jù)的空間特征，能夠有效地減少影像中冗余信息對(duì)BiLSTM網(wǎng)絡(luò)的干擾，進(jìn)而提高模型性能。其中CNN卷積層數(shù)為14的CNN14-BiLSTM模型性能最佳，實(shí)測(cè)產(chǎn)量與預(yù)測(cè)產(chǎn)量的擬合決定系數(shù)為0.885，均方根誤差（Root Mean Square Error，RMSE）為147.167 g，平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）為6.711%。

3）相較于單獨(dú)使用BiLSTM網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶網(wǎng)絡(luò)混合模型（CNN-BiLSTM）可同時(shí)提取空間和時(shí)間2個(gè)維度的特征，在針對(duì)具有一定時(shí)間跨度的問題研究方面具備優(yōu)勢(shì)，該方法可對(duì)類似的農(nóng)作物監(jiān)測(cè)預(yù)測(cè)問題研究提供參考。